This paper presents a neural networ

This paper presents a neural network approach for classification of rice varieties. A total
of 9 different rice verities were considered for the study. Samples were drawn from each
variety and images of seeds were captured. Algorithms were developed to extract
thirteen morphological features, six colour features and fifteen texture features from
colour images of individual seed samples. A different neural network models were
developed for individual feature sets and for the combined feature set. High
classification accuracy was given by textural features than morphological and colour
features. An overall classification accuracy of 92% was obtained from combined feature
model. Individual classification accuracies of AT307, BG250, BG358, BG450,
BW262, BW267, W361, BW363 and BW364 were 94%, 98%, 84%, 100%, 94%, 68%,
98%, 94% and 94% respectively. It was noted that different neural network
architectures tend to produce different accuracies

ผลลัพธ์ (ไทย) 1:

เอกสารนี้แสดงวิธีโครงข่ายประสาทการจัดพันธุ์ข้าว ทั้งหมดข้าวต่าง ๆ 9 ภายได้พิจารณาสำหรับการศึกษา ตัวอย่างที่ออกจากมีจับภาพของเมล็ดพันธุ์และหลากหลาย อัลกอริทึมได้รับการพัฒนาเพื่อขยายสิบสามลักษณะลักษณะสัณฐาน หกสีคุณลักษณะและคุณลักษณะเนื้อห้าจากภาพสีของเมล็ดแต่ละตัวอย่าง แบบเครือข่ายประสาทต่าง ๆ ได้พัฒนาคุณลักษณะแต่ละชุด และ สำหรับชุดคุณลักษณะรวม สูงจัดประเภทความถูกต้องถูกกำหนด โดยคุณสมบัติ textural กว่าสัณฐาน และสีลักษณะการทำงาน ประเภทแม่นยำโดยรวม 92% ได้รับจากคุณลักษณะรวมแบบจำลอง แต่ละประเภท accuracies AT307, BG250, BG358, BG450BW262, BW267, W361, BW363 และ BW364 ได้ 94%, 98%, 84%, 100%, 94%, 68%98%, 94% และ 94% ตามลำดับ ถูกตั้งข้อสังเกตว่า โครงข่ายประสาทแตกต่างกันสถาปัตยกรรมที่มีแนวโน้มในการ ผลิตแตกต่างกัน accuracies

ผลลัพธ์ (ไทย) 2:

บทความนี้นำเสนอวิธีเครือข่ายประสาทการจัดหมวดหมู่ของพันธุ์ข้าว รวม
9 verities ข้าวที่แตกต่างกันได้รับการพิจารณาสำหรับการศึกษา ตัวอย่างที่ถูกดึงออกมาจากแต่ละ
หลากหลายและภาพของเมล็ดถูกจับ อัลกอริทึมที่ถูกพัฒนาขึ้นเพื่อแยก
สิบสามคุณลักษณะก้านหกคุณสมบัติของสีและสิบห้าคุณสมบัติเนื้อจาก
ภาพสีของตัวอย่างเมล็ดบุคคล ที่แตกต่างกันรูปแบบเครือข่ายประสาทได้รับการ
พัฒนาขึ้นมาสำหรับชุดคุณลักษณะส่วนบุคคลและสำหรับชุดคุณลักษณะรวม สูง
ความถูกต้องได้รับการจัดหมวดหมู่โดยคุณสมบัติเนื้อสัมผัสกว่าก้านสีและ
คุณสมบัติ ความถูกต้องของการจัดหมวดหมู่โดยรวม 92% ที่ได้รับจากคุณลักษณะรวม
รุ่น ความถูกต้องของการจัดหมวดหมู่ของแต่ละ AT307, BG250, BG358, BG450,
BW262, BW267, W361, BW363 และ BW364 เป็น 94%, 98%, 84%, 100%, 94%, 68%,
98%, 94% และ 94% ตามลำดับ มันถูกตั้งข้อสังเกตว่าที่แตกต่างกันเครือข่ายประสาท
สถาปัตยกรรมแนวโน้มที่จะผลิตความถูกต้องที่แตกต่างกัน

ผลลัพธ์ (ไทย) 3:

บทความนี้เสนอวิธีโครงข่ายประสาทเทียมสำหรับการจำแนกพันธุ์ข้าว รวม
9 verities ข้าวต่าง ๆเพื่อศึกษา . กลุ่มตัวอย่างได้มาจากแต่ละ
หลากหลายและภาพของเมล็ดที่ถูกจับ อัลกอริทึมได้ถูกพัฒนาขึ้นเพื่อสกัด
13 คุณสมบัติลักษณะ คุณสมบัติและคุณลักษณะ ( 6 สีสิบห้าจาก
รูปสีตัวอย่างเมล็ดพันธุ์ของแต่ละบุคคลที่แตกต่างกันแบบจำลองโครงข่ายประสาทถูก
พัฒนาชุดคุณลักษณะของแต่ละบุคคลและการตั้งค่าคุณสมบัติรวม ความถูกต้องของการจำแนกสูง
ได้รับโดยคุณสมบัติเนื้อมากกว่าลักษณะทางสัณฐานวิทยาและสี
คุณสมบัติ ความถูกต้องของการจำแนกโดยรวม 92 % ได้จากรูปแบบคุณลักษณะ
รวม แต่ละหมวดหมู่ความถูกต้องของ at307 bg250 bg358 bg450 , , , , bw262 bw267 w361
, , ,และมี bw363 bw364 94 % , 98% , 84 % , 100 % 94 , 68 %
98 94 และ 96 ตามลำดับ มันเป็นข้อสังเกตว่า สถาปัตยกรรมเครือข่าย
ประสาทที่แตกต่างกันมีแนวโน้มที่จะผลิตความถูกต้องต่าง ๆ